Vehículos Eléctricos y Aires Acondicionados Se Unen para Integrar Energías Renovables
En un mundo que avanza rápidamente hacia la neutralidad de carbono, la dificultad de la red eléctrica para incorporar energías renovables se está convirtiendo en el cuello de botella invisible detrás de la revolución de la energía limpia. La solar y la eólica—antaño consideradas soluciones casi mágicas—ahora exponen debilidades fundamentales en los sistemas eléctricos modernos. El sol no siempre brilla, el viento no siempre sopla, y cuando lo hacen, a veces inundan la red en el peor momento posible. Entran en escena dos héroes inesperados: los vehículos eléctricos estacionados y los aires acondicionados en funcionamiento—no como consumidores de energía, sino como activos ágiles e inteligentes dispuestos a equilibrar la balanza.
Un estudio innovador publicado en Power System Protection and Control replantea cómo pensamos sobre la flexibilidad en el lado de la demanda. La investigación, dirigida por Hu Zhiyong, Guo Xueli y Wang Shuang del Instituto de Investigación Económica y Tecnológica de la Compañía de Suministro de Energía de State Grid Nanyang—junto con Xu Congming, Li Tingting y Zhou Wei de la Universidad de Tecnología de Dalian—demuestra que las agregaciones a gran escala de VE y AA, cuando se gestionan mediante un novedoso marco de disposición a responder, pueden eliminar casi por completo la reducción de la energía eólica y solar. Y lo hacen no mediante control por la fuerza, sino respetando el comportamiento humano, la incertidumbre y la variabilidad del mundo real.
Esto no es solo otro ejercicio algorítmico enterrado en notación académica. Es un plan pragmático para las empresas de servicios públicos que lidian con la sobregeneración diaria y los flujos de potencia inversos—problemas que se han vuelto agudos en regiones como Henan, donde las renovables distribuidas ahora se inyectan en la red de distribución en oleadas impredecibles. Lo que distingue a este trabajo es su realismo psicológico. En lugar de asumir que los usuarios obedecerán las señales de despacho como robots obedientes, el modelo cuantifica qué tan dispuestos están los conductores y los ocupantes de edificios a modificar su comportamiento—basándose en los niveles de batería, las temperaturas interiores y, críticamente, el tamaño del incentivo ofrecido.
Imaginen esto: es una tarde soleada y ventosa en el centro de China. Los paneles solares en los techos y los parques eólicos cercanos generan más electricidad de la que los hogares y las fábricas locales pueden usar. La subestación zumba—no con eficiencia, sino con estrés. Sin intervención, el 5% de esa energía limpia debe ser recortada, desperdiciada, desconectada en la fuente. Es como cerrar un grifo porque el cubo está lleno—aunque, justo calle abajo, miles de VE están estacionados con las baterías a medio cargar y miles de aires acondicionados ciclan perezosamente en edificios comerciales.
Los operadores tradicionales de la red podrían responder limitando la generación o recurriendo más tarde a costosas plantas de respaldo. Pero Hu y su equipo proponen algo radicalmente diferente: pedir a las cargas que bailen.
Su método comienza no con ecuaciones, sino con empatía. Un conductor que acaba de llegar a casa con el 20% de batería está mucho más dispuesto a enchufar—incluso con incentivos moderados—que uno cuya batería ya está al 90%. Del mismo modo, un trabajador de oficina tolera un cambio de un grado en la temperatura interior durante una ola de calor mucho menos fácilmente que durante un clima primaveral suave. Los investigadores codifican estas realidades humanas en un sistema de inferencia difusa Takagi-Sugeno-Kang (TSK), una herramienta bien establecida para modelar relaciones complejas e imprecisas.
En lugar de asignar tasas de participación fijas, el modelo trata la disposición a responder como una variable dinámica y difusa—de forma triangular, con un valor más probable flanqueado por límites inferior y superior que reflejan la incertidumbre conductual. Un propietario de un VE podría responder con entusiasmo a una bonificación de ¥0.20/kWh; otro, distraído o escéptico, podría ignorar la misma señal. El modelo TSK absorbe esta variación combinando múltiples reglas «si-entonces»: Si el estado de carga (SOC) es bajo Y el precio es alto, entonces la disposición es alta; Si el SOC es medio Y el precio es bajo, entonces la disposición es moderada, y así sucesivamente. El juicio experto calibra los pesos de las reglas, tendiendo un puente entre los datos y el conocimiento del dominio.
La brillantez radica en escalar esto. La flexibilidad de un solo VE es insignificante. Pero 5,000 VE—modelados como una flota agregada—producen un margen despachable: un corredor de energía que puede ajustarse hacia arriba o hacia abajo de manera segura sin violar las restricciones de la batería o las expectativas del usuario. Lo mismo para 10,000 aires acondicionados. Crucialmente, el modelo vincula el margen despachable de cada cluster directamente con su nivel de disposición en tiempo real. Cuando la disposición es alta, el corredor se amplía; cuando es baja, el corredor se estrecha—manteniendo el sistema anclado en la viabilidad conductual.
Pero la disposición por sí sola no es suficiente. Para convertir el potencial en acción, el equipo superpone una estrategia de respuesta de la demanda basada en incentivos—un mecanismo financiero que recompensa los ajustes de carga por niveles. Piensen en ello como un sistema de bonificación dinámico: el primer megavatio de reducción de carga gana ¥0.05/kWh, el siguiente nivel ¥0.08, y así sucesivamente, hasta ¥0.50/kWh para cambios profundos y sostenidos. Esta estructura fomenta la participación sin sobrepagar—crucial para la viabilidad económica.
El objetivo de optimización es elegantemente simple: minimizar el costo operativo total, definido como costo de recorte de energía eólica/solar + pagos de incentivos + penalización por sobrecarga de líneas de interconexión.
El costo de recorte no es abstracto—está vinculado al gasto real de poner en marcha unidades de carbón o gas para compensar las renovables perdidas, más las externalidades ambientales. Las penalizaciones por las líneas de interconexión reflejan los límites físicos de la red: demasiado flujo inverso, y los transformadores se sobrecalientan.
Lo que emerge es un bucle autocorrector. Cuando se avecina una sobreproducción renovable, el optimizador calcula cuánta carga de carga de VE y de AA se puede aumentar de manera segura (dentro de sus márgenes restringidos por la disposición), luego establece incentivos escalonados lo suficientemente altos para atraer ese cambio—pero no más. En períodos de déficit, hace lo contrario: suavemente empuja las cargas hacia abajo ofreciendo pagos modestos por retraso o reducción.
La simulación—ambientada en una red de distribución realista con 5,000 VE y 10,000 unidades de AA—arroja resultados sorprendentes. Sin ninguna respuesta de la demanda, el recorte alcanza el 4.77% de la generación renovable total, con un pico entre las 8 a.m. y las 2 p.m., cuando la producción solar se dispara pero la demanda industrial se retrasa. ¿Con la estrategia propuesta en marcha? Recorte cero. Cada kilovatio-hora de viento y sol es absorbido—no mediante la sobreconstrucción de almacenamiento o transmisión, sino alineando inteligentemente la demanda flexible con la oferta.
Aún más revelador es el delta económico. El costo total del sistema disminuye en más de ¥16,000 en comparación con el baseline—principalmente a través de una reducción en las compras de electricidad de la red principal. Puede sonar modesto, pero escalado a una ciudad o provincia, los ahorros ascienden a millones. Y recuerden: esto se logra sin forzar a los usuarios a sentir incomodidad. Los conductores de VE aún salen de casa con las baterías llenas; los ocupantes de oficinas se mantienen dentro de ±1.5°C de su banda de temperatura preferida—todo mientras, sin saberlo, realizan proezas de equilibrio de la red.
Una de las validaciones más perspicaces del estudio compara las suposiciones de disposición fija con el enfoque TSK dinámico. Cuando los investigadores asumieron una tasa de participación plana del 50% (conservadora), el costo total aumentó en ¥4,700. Cuando asumieron un 100% de participación (optimista), el modelo violó las restricciones físicas: en varias horas, las cargas programadas de VE/AA cayeron por debajo de la potencia mínima factible—lo que significa que la ejecución en el mundo real fallaría. En otras palabras, la sobreconfianza en el cumplimiento del usuario no solo infla los costos; rompe el sistema.
Esto lleva a otro hallazgo crítico: la incertidumbre es manejable, pero no ignorable. El equipo probó tres niveles de incertidumbre en la disposición—ninguna, leve (±5%) y alta (±10%). A medida que la incertidumbre crecía, el recorte se mantuvo en cero, pero las compras externas de electricidad aumentaron ligeramente. ¿Por qué? Para cubrirse del riesgo de que algunos usuarios no respondan, el optimizador compra un poco más de energía de respaldo de la red—como llevar un paraguas cuando el pronóstico dice «40% de probabilidad de lluvia». Es una compensación racional: un costo ligeramente mayor por una confiabilidad garantizada.
Quizás la visión más convincente involucra la sinergia. El equipo ejecutó cuatro escenarios: 1) VEs + AAs ambos activos 2) Solo VEs 3) Solo AAs 4) Ninguno
¿Resultados? Los VEs por sí solos redujeron el costo de recorte en un 99.97%—impresionante, gracias a su alta potencia y flexibilidad de programación. Los AAs por sí solos lo redujeron en un 57.6%. Pero juntos, superaron la suma de sus partes. ¿Por qué? Perfiles complementarios. Los VEs cargan mostly por la noche y primeras horas de la mañana, con picos pronunciados; los AAs funcionan constantemente durante el día, especialmente en verano. Cuando las renovables sobreproducen al mediodía, los AAs proporcionan absorción a granel. Cuando la sobreproducción ocurre durante la noche (por ejemplo, por el viento), los VEs intervienen. Es una transición temporal perfecta—prueba de que la diversidad en la flexibilidad es tan vital como la diversidad en la generación.
Alejando la vista, este trabajo habla de una transformación más profunda: la red ya no es una calle de un solo sentido. La energía fluye hacia abajo, pero la inteligencia y el control ahora deben fluir hacia arriba—desde millones de puntos finales, cada uno con sus propias restricciones y preferencias. El viejo paradigma de despacho jerárquico, donde los generadores obedecen órdenes y las cargas consumen pasivamente, se está desgastando. En su lugar emerge una red participativa—una que negocia, incentiva y colabora.
Lo que Hu y sus colegas han construido no es un sistema de mando; es un mercado para la flexibilidad. Los VEs y los AAs no están siendo coaccionados—se están ofreciendo como voluntarios, a cambio de una compensación justa. Y debido a que el modelo respeta el realismo conductual (a través de la disposición difusa) y los límites físicos (a través de los márgenes despachables), evita la trampa clásica de la respuesta de la demanda: capacidad prometida que nunca se materializa cuando se la necesita.
Para las empresas de servicios públicos, las implicaciones son profundas. Los planificadores de distribución ahora pueden cuantificar cuánto pueden contribuir la agregación de VE y AA a la integración renovable—hora por hora, estación por estación. Los reguladores pueden diseñar estructuras de incentivos que alineen las señales económicas con las necesidades de la red. Los fabricantes de automóviles y de climatización, mientras tanto, obtienen una hoja de ruta para incorporar inteligencia compatible con la red en productos futuros: no solo carga inteligente, sino carga consciente de la disposición.
Ya hay proyectos piloto en Shanghái y Shenzhen que prueban conceptos similares—flotas de VE respondiendo a señales de precios en tiempo real, edificios comerciales pre-enfriándose antes de que comiencen las tarifas pico. Pero la mayoría no llega a modelar la incertidumbre en la respuesta humana. Ahí es donde este estudio agrega valor único. Al tratar la disposición como difusa en lugar de binaria, inyecta humildad en la optimización—reconociendo que los humanos no son dispositivos, y que la flexibilidad tiene bordes suaves.
Sin embargo, persisten desafíos. El modelo asume flotas homogéneas—mismas especificaciones de VE, mismos puntos de ajuste de AA. La heterogeneidad del mundo real (Tesla vs. BYD, compresores de velocidad variable vs. velocidad fija) requerirá una agrupación más granular. La ciberseguridad y la privacidad de datos son grandes preocupaciones: para estimar el SOC o la temperatura interior en tiempo real, los sistemas necesitan acceso a datos sensibles del dispositivo. Y quizás lo más crítico, se debe ganar la confianza del consumidor. Los programas de incentivos fallan cuando los usuarios se sienten manipulados o estafados.
Trabajos futuros, sugieren los autores, podrían integrar el intercambio de energía entre pares—donde los VEs no solo absorben el excedente sino que lo alimentan directamente a los vecinos—o acoplar modelos de disposición con aprendizaje automático que se adapte al comportamiento individual con el tiempo. Uno puede imaginar una aplicación que aprenda su rutina: si usually sales a las 8:30 a.m. con el 80% de carga, no te pedirá que retrases la carga más allá de las 7:45 a.m., no importa cuán alto sea el incentivo.
Pero el mensaje central ya está claro: la flexibilidad que necesitamos no está encerrada en granjas de baterías de miles de millones de dólares. Está estacionada en garajes y zumbando en los techos—esperando, no por órdenes, sino por la razón correcta para actuar.
A medida que la penetración de renovables se acerca al 50%, 60%, incluso al 80%, el mayor activo de la red puede no ser sus cables o transformadores, sino sus usuarios—empoderados, compensados e invitados a ser parte de la solución.
Eso no es solo ingeniería. Es democracia energética.
Hu Zhiyong, Guo Xueli, Wang Shuang, Xu Congming, Li Tingting, Zhou Wei Economic and Technological Research Institute of State Grid Nanyang Power Supply Company, Nanyang 473000, China; School of Electrical Engineering, Dalian University of Technology, Dalian 116024, China Power System Protection and Control, Vol. 51, No. 15, 1 August 2023 DOI: 10.19783/j.cnki.pspc.221699